V práci jsme se zaměřili na studium biologicky inspirovaných algoritmů z oblasti neuronových sítí a optimalizačních algoritmů pro úlohy s podmínkami, bez podmínek a kombinatorické problémy. Po analýze principů fungování neuronových sítí byly vytvořeny aplikace sítí vhodných pro shlukovou analýzu. Heuristiky jsou netradiční metody založené převážně na iteračním zlepšování řešení. Diferenciální evoluci (DE) řadíme mezi heuristické algoritmy pro optimalizaci bez podmínek. Aplikaci DE tvoří vlastní algoritmus Rypoš. Studovali jsme také zobecněnou verzi DE vhodnou pro optimalizaci s podmínkami. Sestrojena a otestována byla alternativa této metody, algoritmus Complex Method. Mezi deterministicky obtížně řešitelné problémy řadíme kombinatorickou úlohu obchodního cestujícího (TSP). Pro nalezení aproximace TSP byl použit heuristický algoritmus Mravenčích kolonií. Úspěšnost algoritmů byla vyhodnocena dle zpracovaných výsledků testování.In the present paper we focused on the study of biology-inspired algorithms from the field of neural networks and algorithms for constrained and unconstrained optimization and combinatorial problems. After analysis of principles of neural networks, there are developed applications of neural networks suitable for cluster analysis. Heuristic methods are based on iterative improvement of solutions. Dif ferential Evolution (DE) rank among the heuristic algorithms for unconstrained optimization. The DE is applied in an own algorithm Rypoš. We also studied a generalized version of DE suitable for constrained optimization. There was constructed and tested alternative to this method, the algorithm Complex Method. Finding of deterministic solution of the combinatorial Traveling Salesman Problem (TSP) is very difficult. To find the approximation of TSP we used heuristic Ant Colony algorithm. The succes of applied algorithms was evaluated by processing the results.